基于神經網絡的電力數據通信網絡帶寬需求預測探析

中國電建集團江西省電力設計院有限公司 黃 晶

由于信息技術的不斷發展，我國的電力行業也加快了信息化建設，網絡集約化的管控力度在逐步增強，大數據、物聯網、云計算、智能電網等技術的應用也越來越廣泛，而隨著信息化技術的逐漸深入，有關網絡的通信需求也快速提高。網絡通信作為實現電力信息化非常關鍵的通路，其使用的需求是否能得到滿足與其建設水平存在較大關聯，所以需針對通信網絡開展合理的帶寬需求預測，以更好地開展信息系統建設。

1 網絡帶寬預測技術分析

自網絡信息技術出現以來，利用因特網對信息進行傳輸的數量增長速度非常快，對數據信息量進行預測，現階段較常使用的方法是線性預測法。如，針對一些業務簡單的情況可采取累加平均值的方法，也可通過一定歷史時期統計數據的變化規律進行預測。在流量預估中較常使用的是業務流量累加法，實際上也是針對業務方面累加其每天的均值或是最大值，然后預估某一接口上的最大值或平均值[1]。

然而實際上，兩項業務一天中的流量分布狀況可能存在差異，所以使用這種方法進行預測的精準性較低。而后依照電話業務特點發展來的泊松模型預測方法，對電話網中的業務特性能較為精準的描述，且對網絡流量的研究也適合，在網絡的性能分析、設計、管理、維護等方面都有良好的效用，因而得到了較為廣泛地使用。但對數據通信流量而言具有一定的突發性，與電話通信的平穩性存在較大差異，所以在使用方面存在一定局限性。

自回歸滑動平均模型主要是對時間序列進行研究，結合滑動平均模型可用來預測市場規模和消費行為。小波分析主要是針對相關信號進行幾何運算，在語音分析、信號處理及圖像處理等方面進行應用。神經網絡主要指的是以偏差反向傳播方式為核心進行不斷訓練的一種多層網絡，可學習和存儲較多的輸入輸出模式映射關系，而不涉及針對有關映射開展數學表達，在現階段得到較廣泛使用。神經網絡模型可基于業務建立對應的流量模型，對合理選取的函數進行激活，就可將最優方程模擬出來，同時能進行自學習和自我修正，可使偏差控制在最小范圍內，因而在數據網絡的流量預測方面可使用這一技術。

2 BP神經網絡

這一模型主要是對偏差進行反向傳播的不斷學習過程，其中包含信息的雙向傳播。在輸入層中，將有關信息輸入后會由相關的神經元進行接收，同時向中間層的各神經元進行傳遞。中間層主要是進行信息交換，這一層的設置可依照信息變化能力需求決定其結構是單層還是多層。經過中間層的傳遞將信息轉至輸出層，這樣就是算法的一次正方向信息傳遞過程。假設最后輸出的值和預先設置的不相符合時，則會針對偏差進行反方向的傳遞。實際的偏差信息會從輸出層依照偏差梯度下降的方式對各層權值進行調整，而后進行反向傳遞，這就是對各層權值的一個不斷調整，是這一算法模型不斷訓練的過程，一直到偏差降低到允許的范圍內為止。BP神經網絡模型主要有輸入輸出模型、誤差計算模型、作用函數模型和自學習模型。

3 電力數據通信網絡帶寬需求預測

3.1 預測方法

對一定期間的電力通信網絡帶寬需求進行預測，需根據其上一期間的業務建立模型展開分析(圖1)。首先，從現有的業務情況出發，針對網絡能夠承載的總業務開展整合工作，對其中相關業務進行類型的區分，以重要業務都能涵蓋其中為基礎，對業務流量應設置的收集點和區域進行確定，同時借助相應的工具對數據綜合網的流量進行收集和分析。

圖1 網絡帶寬預測流程圖

收集流量特性數據后，將歸入收集范圍的重要業務建立模型，對于信息化系統，使用神經網絡對重要業務中的單一用戶流量建立模型，進行需求的預測。在其業務流量預測的假設條件下，對期間的業務范圍進行整理，依照業務在最大值狀態時的帶寬需求情況，使系統的模型能夠得到對應。根據系統中用戶的具體信息，了解某一時刻的活躍用戶占比。單用戶流量乘活躍用戶數量，得到業務系統在工作時間段的總流量。然后依照建立的業務模型，依照其路徑對各數據網的帶寬需求進行預測[2]。

3.2 限制和假設條件

假定其中業務系統中的用戶在瀏覽方面的模式和業務工作都不會出現變化，這樣就能對單用戶流量分布狀況和活躍用戶分布狀況有大概的掌握。另外，假定有新增的業務系統，可給出平均流量值或和現有某一系統在架構、業務內容、用戶群體等方面具有較高的相似度。有關業務量的增長，由于計劃業務信息系統會提供更加豐富的業務應用，預估業務量會有較大的增長幅度，如按照30%的增長量，在不斷發展的過程中也會出現新系統，假定這一期間新建立5個業務系統且用戶散落分布，結合對現有數據的測算，系統活躍用戶的比例在0.5～0.6%范圍內，假定按照0.6%計算而特殊業務的活躍用戶占比10%，帶寬需求分析需對電力企業信息系統網絡訪問業務、FTP、語音視頻等進行全面考慮。

3.3 建立業務帶寬需求模型

3.3.1 模型建立方法

通過BP神經網絡對流量方程進行模擬，這個過程是不斷學習和修正的過程。最后如果得出的結果和樣本值偏差在預期值范圍內，就能說明相關的方程可較好地體現流量情況。流量預測的步驟為：對數據進行歸一化處理；選擇激活函數；收集充足的樣本值；進行模型推導和仿真；用新樣本數據進行驗證。這個過程實際上就是反復進行學習、修改，論證之后再修改的重復循環。

3.3.2 數學推導

對模型的建立主要是為預測未來一段時間的網絡流量，要想達到這一目的就需在其中體現出業務的具體變化情況，所以需通過數學推導得出流量與時間、用戶數量之間的關系。假設以y表示某一業務流量，x表示業務并發的用戶數量，t表示一天中的某一時刻。則y=f(x)(t)，其中x=g(A)(t)，A表示業務總用戶數量。依照實踐經驗能夠得知，某一項業務的總用戶數量A在一定時間內不會出現改變、所以視為常數，則業務并發用戶數量x是和時間t有關的函數。根據上述公式，也就是業務流量y是和時間t有關的函數。因此對業務系統中某一接口的流量進行預測時，只需累加接口上各業務的流量。3.3.3 單系統模型

使用BP神經網絡工具集設置一個兩層BP網絡，有關參數的內容/值如下：隱含層神經元數量/4、隱含層激活函數/對數函數、輸出層激活函數/線性函數、訓練次數/5000、目標偏差/0.01。對之前收集的數據需進行歸一化處理，流量數據前后對比發現，流量曲線沒有發生改變，不過其范圍縮小到（-1,1）內，這樣后續在進行計算時計算量有了很大的縮減。在完成了第3038次計算之后偏差下降到0.01，能夠對應繪制出函數曲線，從曲線圖中能夠了解業務在一天工作時間段內的流量狀況。總共選擇8個經典系統建立模型，這是網絡帶寬需求分析的前提條件。

3.3.4 模型匹配

對指定期間內的網絡帶寬需求進行預測，需對這一期間業務系統的模型進行確立。然而現階段有一些系統還沒有正式上線，根據業務系統類似性假設以及現有的模型，可確定將已使用的系統模型作為未來系統的模型。有關流量模型的選擇：如是已上線的系統就選擇現有數據進行模型建立；如是沒有上線但和現有業務系統具有較高的匹配度，也可確定使用已經存在的模型；如是沒有上線且和現有業務系統匹配度較低的系統，需先對其涵蓋區域和單一用戶在最大值時的帶寬信息選擇出來，然后確定與其類似的模型。最后，基于預留考量的新增加的業務系統，需選擇其中流量高的模型。根據模型匹配情況，選擇8個目前在使用中的經典模型，并確定預測期間業務系統模型的對應關系。3.3.5 帶寬需求

模型的獲取是在單一用戶流量模型基礎上得到，同時對其承載的活躍用戶數量進行充分考量，帶寬需求值的計算主要是單一用戶流量乘活躍用戶數量。從上述分析得知，通常業務活躍用戶數的占比在0.5～0.6%范圍內，按照最大占比進行預測，對特殊業務活躍用戶數占比10%。得到了單用戶帶寬需求模型和活躍用戶數后，就能夠對規定期間內管理信息業務系統通信網絡的帶寬需求進行預測。

此外，對于語音業務、視頻、網絡瀏覽流量以及FTP等也需要做好考量。有關視頻語音業務，因為視頻流量大小具有一定的穩定性，但業務時間具有不確定性，所以其需求值的計算主要是累加通信帶寬的最大值。有關網絡瀏覽業務，使用合理的方法確定模型之后再實施預測。有關FTP，因其中存在不定性因素影響，所以同樣考慮在帶寬峰值上進行累加。總之，在BP神經網絡的支持下能對現網業務系統進行建模，預估一定時期內信息系統的帶寬需求，同時也能充分考慮到視頻語音業務、互聯網訪問業務及FTP業務的帶寬需求。

3.4 結果分析

針對信息管理系統的流量，依照業務流量建立模型，根據流量曲線的結果，與用戶數進行相乘，同時按照時間這一類別的節點進行合并，最后得到信息系統業務的帶寬需求流量變化結果，需考慮50%的冗余量，進而得出各個層級的網絡帶寬需求，最后得到的通信網絡帶寬需求預測結果如表1。

表1 通信網絡帶寬需求預測結果